基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其它算法的对比,验证算法的有效性.     

约束优化进化算法

约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.近年来,约束优化问题求解已成为进化计算研究的一个重要方向.从约束优化进化算法=约束处理技术+进化算法的研究框架出发,从约束处理技术和进化算法两个基本方面对约束优化进化算法的研究及进展进行了综述.此外,对约束优化进化算法中的一些重要问题进行了探讨.最后进行了各种算法的比较性总结,深入分析了目前约束优化进化算法中亟待解决的问题,并指出了值得进一步研究的方向.     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法.第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1～CF7、...     

约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

求解约束优化问题的融合粒子群的教与学算法

为了求解约束优化问题,提出了一种融合粒子群的教与学算法。算法采用了一种自适应的教学因子,使得算法的搜索性能可以自适应的调整。引入了自我学习和相互学习的学习模式,使得信息交流更加多样化,增强了算法的全局搜索能力。最后根据适应度值将整个种群分为两个子种群,对适应度值差的子种群采用粒子群算法以提升收敛性能,对适应度值优的子种群采用教与学优化算法以增强种群的多样性,通过两种算法的优势互补,提升了算法的整体优化性能。通过在22个标准测试函数的实验和与其它3种算法的比较表明,融合粒子群的教与学算法求解精度高,收敛速度快,它是一种可行、高效的优化算法。     

用于求解约束优化问题的自适应佳点集进化算法

提出一种用于求解约束优化问题的自适应佳点集进化算法.新算法利用佳点集原理设计多点交叉算子,该交叉算子能够根据父代个体的相似度自适应调整交叉点的位置和子代个体的数目,产生具有代表性的子代个体.在约束处理技术上,改进了Deb的三条比较准则,提出一种新的适应度函数用于比较个体优、劣的比较准则.通过对13个标准测试函数的试验比较验证了新算法的有效性和稳健性.     

求解约束函数优化问题的族群进化算法

为提高族群进化算法对约束函数的优化性能,应用基于线性截取策略的大配子采样机制来提高群体进化过程中大配子筛选的稳定性。该机制可有效减少在进化过程中族群结构的大幅波动,提高族群进化算法的搜索效率。通过对六个典型约束函数的仿真实验显示,该机制使族群进化算法成为了一种有竞争力的约束函数优化算法。     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

求解约束优化问题改进的水波优化算法

为提高约束优化模型的求解精度,提出一种改进的水波优化算法。设计主-从异构种群,结合ε约束处理技术使主群实现探索可行解,从群利用可行解搜寻全局最优解。为加快收敛速度和增强信息交互,主群中个体可以依概率进行个体间学习,设计水波波长函数,使其随着水波的适应度值和违反约束度及时调整。为避免早期收敛,从群采用自适应学习策略以平衡群体的探索和利用。设计随迭代次数变化的放松约束度,提高算法收敛精度。对比实验结果表明,该算法可以获得高质量的可行解。     

偏好向量引导的高维目标协同进化算法

多偏好向量引导的协同进化算法(PICEA-g)是将目标向量作为偏好,个体支配目标向量的个数作为适应值,以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿,而不是决策者真正感兴趣部分的Pareto最优解,导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此,提出一种基于偏好向量引导的高维目标协同进化算法(ASF-PICEA-g):首先,利用ASF扩展函数将进化种群中的参考点映射至目标空间,并将其作为偏好向量引导种群进化的参考方向;然后,利用偏好区域选择策略获取两个临时参考点,进而构建决策者感兴趣区域(ROI),确定随机偏好集产生的上下界范围,通过协同进化机制引导种群朝偏好区域收敛.将ASF-PICEA-g与g-NSGA-II和r-NSGA-II在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验,实验结果表明:ASFPICEA-g在WFG系列测试函数上表现出了良好的性能,所得解集整体上优于对比算法;在DTLZ系列测试函数上略优于对比算法,尤其在10维以上目标空间,ASF-PICEA-g表现出更好的稳定性,所获解集有较好的收敛性和分布性.     

解约束最优化问题的一个新的多目标进化算法

把约束函数作为目标函数,将约束优化问题转化为多目标规划问题。对这个多目标规划,根据带权极小极大策略构造了一个同进化代数有关的变适应值函数。利用广义球面坐标变换和均匀设计法来选择权重,使得由此权重确定的适应值函数能使种群中的容许解逐渐增加并且保持其多样性。用均匀设计法构造的带有自适应性的变异算子增强了算法的局部搜索能力。该方法能有效处理约束,特别是紧约束。计算机仿真显示了该方法是有效的。     

数据聚类的共同进化方法

共同进化算法是一种新的进化算法,由于它采用了解空间分离编码,能有效地克服一般进化算法中固有的早熟收敛问题。该文针对数据聚类问题——当前数据挖掘与探查性数据分析中的一个重要课题——将数据聚类问题抽象成为一个赋值图的分割问题,应用共同进化算法来加以解决,使得聚类的结果不必依赖于初始聚类中心,并对该算法的性能加以分析。将该算法与一般的遗传算法相比较,通过实验证明了该算法的优越性能。     

基于遗传算法求解约束优化问题的一种算法

在用遗传算法求解约束优化问题时,处理好约束条件是取得好的优化效果的关键.通过考虑遗传算法和约束优化问题的某些特点,提出将直接比较方法和在进化群体中自适应地保持不可行解比例的策略相结合来处理约束条件的一种新方法,并将该方法结合到通用的遗传算法中.数值实验显示了这种方法的有效性.     

解约束多目标优化问题的一种鲁棒的进化算法

将约束条件与目标函数融合在一起,对有约束的多目标优化问题(MOP)建立了一种新的偏序关系,引入了约束占优的定义,并证明了在新的偏序关系意义下的Pareto最优集就是满足约束条件的Pareto最优集,从而在对种群中的个体进行评估或排序时,并不需要特别去关心个体是否可行,避免了罚函数选择参数的困难,尝试应用有限Markov链的有关理论证明了此进化算法的收敛性,用较复杂的Benchmark函数进行了大量的数值实验,测试结果表明新算法在解集分布的均匀性、多样性以及快速收敛性均较理想。     

微粒群算法在非线性约束优化中的应用

该文将微粒群算法(PSO)应用于非线性约束优化问题的求解,提出了一种求解非线性约束优化问题的新算法,数值试验表明该算法具有很强的全局寻优能力。     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

基于反馈的精英教学优化算法

精英教学优化算法（Elitist teaching-learning-based optimization,ETLBO）是一种基于实际班级教学过程的新型优化算法. 本文针对ETLBO算法寻优精度低、稳定性差的问题,提出了反馈精英教学优化算法（Feedback ETLBO）. 在ETLBO算法的基础上,通过在学生阶段之后加入反馈阶段,增加了学生的学习方式,保持学生的多样性特性,提高算法的全局搜索能力. 同时,反馈阶段是选举成绩较差的学生与教师交流,使成绩较差的学生快速向教师靠拢,使算法进行局部精细搜索,提高算法的寻优精度. 对6个无约束及5个约束标准函数的测试结果表明,FETLBO算法与其他算法相比在寻优精度和稳定性上更具优势. 最后将FETLBO算法应用于拉压弹簧优化设计问题及0-1背包问题,取得了满意结果.     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.